G検定「人工知能とは」一問一答（58問）

◯ 正しい 仕組みがわかって身近になると「決まった計算をしているだけ」とみなされ、AIの例として挙げられにくくなります。 AI効果

× 誤り AI効果は経済効果ではありません。実現した技術を知能とみなさなくなる、人々の受け止め方の変化を指します。 AI効果

◯ 正しい この繰り返しの中で、将来にわたる報酬の合計が大きくなる行動の選び方（方策）を学ぶのが強化学習です。 エージェント

× 誤り 目先の報酬ではなく、割引率で重み付けした将来の報酬の合計を最大にするよう学びます。直後の報酬が小さくても、後で大きな報酬につながる行動を選べます。 エージェント

◯ 正しい 高度な自律性をもつものだけでなく、ある程度の自律性をもつものも含むとしています。知覚と行動に注目する古典的なエージェントの考え方と共通しています。 エージェント

◯ 正しい 教師あり学習は正解付きのデータから、教師なし学習は正解のないデータの構造から学びます。強化学習は、試行錯誤で得る報酬を使う点が異なります。 機械学習

× 誤り 学習データに合わせすぎると、未知のデータで精度が落ちる過学習が起きます。未知のデータでの性能（汎化性能）は、学習に使っていないデータで確かめます。 機械学習

◯ 正しい 正解のラベルを予測するのが教師あり学習です。予測する値がカテゴリなら分類問題、数値なら回帰問題と呼びます。 機械学習

◯ 正しい 第1次は1950年代後半から1960年代、第2次は1980年代、第3次は2000年代以降です。時期と中心の技術を組にして押さえます。 人工知能

× 誤り 第1次・第2次のブームのあとには、期待した成果が出ずに研究が停滞する冬の時代が訪れました。ブームと冬の時代を繰り返してきたのが実際の歴史です。 人工知能

× 誤り 身体をもって物理的な世界で動く機械はロボットです。人工知能は判断を担う部分を指し、翻訳ソフトやチャットボットのように、身体のないソフトウェアとしても働きます。 人工知能

◯ 正しい トロント大学のチームのAlexNetが、上位5位までに正解が入らない誤り率で約15%を記録し、2位の約26%を大きく引き離しました。 ディープラーニング

× 誤り 層を深くするとパラメータが増え、データが少ないと過学習しやすくなります。大量のデータに加え、正則化やデータ拡張、事前学習済みモデルの利用が重要です。 ディープラーニング

◯ 正しい ブラックボックス問題と呼ばれます。Grad-CAMやSHAPなど、判断の根拠を可視化・説明する説明可能AI（XAI）の手法が研究されています。 ディープラーニング

× 誤り 隠れ層をもたない単純パーセプトロンもニューラルネットワークですが、層を深く重ねていないため、ディープラーニングとは呼びません。ディープラーニングは、多層のニューラルネットワークを使う手法です。 機械学習とディープラーニングの違い

◯ 正しい 45種の表形式データで比べた2022年の研究では、学習データが約1万件の中規模の設定で、XGBoostやランダムフォレストなど決定木を基にした手法がニューラルネットワークを上回りました。ディープラーニングが常に上位互換というわけではありません。 機械学習とディープラーニングの違い

× 誤り 自動で獲得できるのは、入力から予測に役立つ特徴を取り出す部分です。どのデータを集め、正解ラベルをどう付け、入力の形をどう整えるかは人が決め、その良しあしが精度を大きく左右します。 機械学習とディープラーニングの違い

◯ 正しい 2005年の著書で、この考え方をもとにシンギュラリティが2045年ごろに訪れると予測しました。 シンギュラリティ

× 誤り シンギュラリティは予測であり、確かめられた法則ではありません。時期や、そもそも起きるかについて、見方は大きく分かれています。 シンギュラリティ

◯ 正しい この「知能の爆発」の考え方が、後のシンギュラリティの議論の土台になりました。 シンギュラリティ

◯ 正しい たとえば、モーターや制御装置をもたずに、緩い坂を安定して歩き下りる受動歩行ロボットがあります。体のつくりそのものが、ふるまいの一部を担う例です。 身体性

× 誤り ブルックスは逆に、詳しい内部モデルに頼る方法を批判しました。センサーの入力に直接反応する単純な行動を層のように重ねる、サブサンプション・アーキテクチャを提案しました。 身体性

◯ 正しい 身体で外界を感じ、働きかける経験があってはじめて記号が意味をもつ、と考えるためです。身体性そのものは問題の名前ではなく、考え方の名前です。 身体性

◯ 正しい 論文「The Symbol Grounding Problem」で、記号の意味をどう記号の外に結び付けるかを論じました。 シンボルグラウンディング問題

◯ 正しい 定義をたどっても知らない記号が続くだけで、意味にたどり着けないことを表したたとえです。 シンボルグラウンディング問題

× 誤り それはフレーム問題の説明です。シンボルグラウンディング問題は、記号と実世界の対象との結び付きを問います。 シンボルグラウンディング問題

◯ 正しい 提案者はジョン・マッカーシー、マービン・ミンスキー、ナサニエル・ロチェスター、クロード・シャノンの4人です。 ダートマス会議

× 誤り この言葉が初めて使われたのは、1955年にマッカーシーらがまとめたダートマス会議の提案書です。チューリングの1950年の論文は「機械は考えられるか」を論じたものです。 ダートマス会議

◯ 正しい ロジック・セオリストと呼ばれるプログラムで、最初期の人工知能プログラムとして知られます。 ダートマス会議

◯ 正しい 1980年代、専門家の知識をルールとして蓄えるエキスパートシステムが盛んに作られ、知識を集める工程の重さが表面化しました。 知識獲得のボトルネック

× 誤り 専門家の判断には経験に根ざした暗黙的な知識が多く、本人もうまく言葉にできません。協力があっても、聞き出してルールに直す工程そのものが難しいのです。 知識獲得のボトルネック

◯ 正しい 専門知識は狭い分野に限られますが、常識には範囲の切れ目がありません。常識を書き出そうとしたCycプロジェクトは、1984年に始まり、数十年にわたって続けられてきました。 知識獲得のボトルネック

◯ 正しい 中国語を知らない人物が、英語で書かれた規則書に従って記号を組み合わせるだけ、という設定です。 中国語の部屋

◯ 正しい 規則書や紙を含むシステム全体に理解を認める立場で、代表的な反論の1つです。 中国語の部屋

× 誤り 主張は逆です。振る舞いが人間並みでも、記号を規則どおりに操作しているだけなら意味を理解しているとはいえない、と論じました。 中国語の部屋

◯ 正しい 論文「Computing Machinery and Intelligence」で、「機械は考えられるか」という問いを置き換える方法として示されました。 チューリングテスト

× 誤り 声や外見で区別できないよう、やり取りは端末を使った文字だけで行います。 チューリングテスト

× 誤り 内部の仕組みは問わず、会話という外から見た振る舞いだけで判定します。この点が、中国語の部屋による批判の出発点になりました。 チューリングテスト

◯ 正しい 論文「Minds, Brains, and Programs」で、中国語の部屋の思考実験とともに示されました。 強いAIと弱いAI

× 誤り 汎用か特化型かは、扱える課題の幅による区別です。サールの区別は心や理解を本当にもつかどうかを問うもので、何でもこなせるAIでも心をもつかは別の問題として残ります。 強いAIと弱いAI

× 誤り 中国語の部屋が批判の対象としたのは強いAIです。サールは同じ論文で、少なくともこの論文の範囲では、弱いAIの主張に異論はないと述べています。 強いAIと弱いAI

◯ 正しい 円盤の配置が状態、円盤の移動が操作にあたり、ルールにあいまいさがありません。探索木をたどれば機械的に解けます。 トイ・プロブレム

× 誤り 現実の問題では、状態・操作・ゴールそのものを正確に書き表せず、何を考慮すべきかも決められません。計算が速くなるだけでは、この定式化の難しさは解消しません。 トイ・プロブレム

◯ 正しい 問題が正確に定義されているので、別の研究者も同じ条件で試せます。単純であること自体が、比較や教育の場面では利点になります。 トイ・プロブレム

× 誤り IBMの研究者らが1990年前後に提案し、2000年代に主流となりました。2010年代半ばからは、ニューラル機械翻訳への置き換えが進みました。 統計的機械翻訳

◯ 正しい 2016年11月に、日本語を含む8つの言語と英語の間でニューラル機械翻訳が使われ始めました。文全体をまとめて訳すことで、より自然な訳を出せるようになりました。 統計的機械翻訳

◯ 正しい 論文「Some Philosophical Problems from the Standpoint of Artificial Intelligence」で論じられました。 フレーム問題

× 誤り ここでいうフレームは、考慮すべき事柄の範囲（枠）のことです。画像処理の物体検出とは関係ありません。 フレーム問題

× 誤り もともとは論理で行動を記述する推論の問題として提起されました。ロボットの例は説明のためのたとえです。 フレーム問題

◯ 正しい 解析・変換・生成の3段階で訳します。変換の規則は、言語の組ごとに用意する必要があります。 ルールベース機械翻訳

× 誤り 報告書は、実用的な機械翻訳がすぐに実現する見通しは立たないと結論づけました。その後、米国では機械翻訳の研究への資金が大きく減りました。 ルールベース機械翻訳

◯ 正しい 意味の表現を共通にするため、言語の組ごとの変換規則は要りません。ただし、どの言語にも通じる意味の表現を作ることは難しく、実用は限られました。 ルールベース機械翻訳

◯ 正しい プログラムごとに話題が決められ、優勝したプログラムは「気まぐれな会話」を話題にしていました。自由な会話よりも機械に有利な条件です。 ローブナーコンテスト

× 誤り 大会では、最も人間らしいと評価されたプログラムに銅メダルと賞金が贈られました。人間と区別できないプログラムに贈る大賞は、獲得されませんでした。 ローブナーコンテスト

◯ 正しい 判定者が機械と人間の両方と会話して見分ける形式のため、誤りは両方向に起こります。人間らしさの判断が、判定者の受け止め方に左右されることを示しています。 ローブナーコンテスト

× 誤り 弱いAIは、コンピュータを心の研究に役立つ強力な道具とみなす立場です。コンピュータが本当に心をもつかどうかは問いませんが、研究の道具としての価値は認めています。 強いAIと弱いAIの違い

◯ 正しい 強いAIは、プログラムを心理学の仮説を確かめる道具ではなく、それ自体が認知の説明だとみなします。弱いAIは、コンピュータを仮説を確かめる道具として使う立場です。 強いAIと弱いAIの違い

◯ 正しい サールが論文で取り上げたのは、物語について質問に答えるシャンクらのプログラムでした。課題の幅は関係なく、理解や心をもつと主張するかどうかが基準です。 強いAIと弱いAIの違い